論文の概要: Generalize Ultrasound Image Segmentation via Instant and Plug & Play Style Transfer

• arxiv url: http://arxiv.org/abs/2101.03711v1
• Date: Mon, 11 Jan 2021 05:45:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 14:33:01.447084
• Title: Generalize Ultrasound Image Segmentation via Instant and Plug & Play Style Transfer
• Title（参考訳）: Instant and Plug & Playスタイル転送による超音波画像分割の一般化
• Authors: Zhendong Liu, Xiaoqiong Huang, Xin Yang, Rui Gao, Rui Li, Yuanji Zhang, Yankai Huang, Guangquan Zhou, Yi Xiong, Alejandro F Frangi, Dong Ni
• Abstract要約: ディープセグメンテーションモデルは、外観が不明な画像に一般化する。 モデルの再トレーニングは、高いレイテンシと複雑なパイプラインにつながる。 未知の外観変化下での堅牢なセグメンテーションのための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 65.71330448991166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep segmentation models that generalize to images with unknown appearance are important for real-world medical image analysis. Retraining models leads to high latency and complex pipelines, which are impractical in clinical settings. The situation becomes more severe for ultrasound image analysis because of their large appearance shifts. In this paper, we propose a novel method for robust segmentation under unknown appearance shifts. Our contribution is three-fold. First, we advance a one-stage plug-and-play solution by embedding hierarchical style transfer units into a segmentation architecture. Our solution can remove appearance shifts and perform segmentation simultaneously. Second, we adopt Dynamic Instance Normalization to conduct precise and dynamic style transfer in a learnable manner, rather than previously fixed style normalization. Third, our solution is fast and lightweight for routine clinical adoption. Given 400*400 image input, our solution only needs an additional 0.2ms and 1.92M FLOPs to handle appearance shifts compared to the baseline pipeline. Extensive experiments are conducted on a large dataset from three vendors demonstrate our proposed method enhances the robustness of deep segmentation models.
• Abstract（参考訳）: 外観不明の画像に一般化するディープセグメンテーションモデルは、現実の医療画像解析において重要である。 モデルの再トレーニングは、高いレイテンシと複雑なパイプラインをもたらし、臨床環境では実用的ではない。 超音波画像解析では外観の変化が大きいため, 状況はより深刻になる。 本稿では,未知の外観変化の下でのロバストなセグメンテーション手法を提案する。 私たちの貢献は3倍です。 まず,階層型トランスファーユニットをセグメンテーションアーキテクチャに組み込んで,ワンステージのプラグアンドプレイソリューションを提案する。 我々のソリューションは外観変化を除去し、同時にセグメンテーションを行うことができる。 次に、動的インスタンス正規化を用いて、従来固定されていたスタイル正規化ではなく、正確に動的スタイル転送を行う。 第3に、我々のソリューションは迅速で軽量であり、定期的な臨床応用に役立ちます。 400*400の画像入力が与えられると、ベースラインパイプラインと比較して外観シフトを処理するために、さらに0.2msと1.92mフロップが必要となる。 3つのベンダーによる大規模データセットで広範な実験を行い,提案手法が深層セグメンテーションモデルのロバスト性を高めることを実証した。

関連論文リスト

• MonST3R: A Simple Approach for Estimating Geometry in the Presence of Motion [118.74385965694694]
  我々は動的シーンから時間ステップごとの幾何を直接推定する新しい幾何学的アプローチであるMotion DUSt3R(MonST3R)を提案する。 各タイムステップのポイントマップを単純に推定することで、静的シーンにのみ使用されるDUST3Rの表現を動的シーンに効果的に適応させることができる。 我々は、問題を微調整タスクとしてポーズし、いくつかの適切なデータセットを特定し、この制限されたデータ上でモデルを戦略的に訓練することで、驚くほどモデルを動的に扱えることを示す。
  論文  参考訳（メタデータ） (2024-10-04T18:00:07Z)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• A Simple and Robust Framework for Cross-Modality Medical Image Segmentation applied to Vision Transformers [0.0]
  単一条件モデルを用いて複数モードの公平な画像分割を実現するための簡単なフレームワークを提案する。 本研究の枠組みは,マルチモーダル全心条件課題において,他のモダリティセグメンテーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-09T09:51:44Z)
• Omni-Seg+: A Scale-aware Dynamic Network for Pathological Image Segmentation [13.182646724406291]
  糸球体の断面領域は、管周囲の毛細血管の64倍の大きさである。 マルチオブジェクト(6つの組織型)とマルチスケール(5Xから40Xスケール)の画像セグメンテーションを実現する,スケール対応の動的ニューラルネットワークであるOmni-Seg+ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-06-27T21:09:55Z)
• Class-Aware Generative Adversarial Transformers for Medical Image Segmentation [39.14169989603906]
  医用画像セグメンテーションのための新規な生成逆変換器CA-GANformerを提案する。 まず、ピラミッド構造を利用してマルチスケール表現を構築し、マルチスケールのバリエーションを扱う。 次に、意味構造を持つオブジェクトの識別領域をよりよく学習するために、新しいクラス対応トランスフォーマーモジュールを設計する。
  論文  参考訳（メタデータ） (2022-01-26T03:50:02Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Style-invariant Cardiac Image Segmentation with Test-time Augmentation [10.234493507401618]
  ディープモデルは、実際の臨床環境での外観の変化により、しばしば深刻なパフォーマンス低下に悩まされる。 本稿では,心臓画像分割のための新しいスタイル不変手法を提案する。
  論文  参考訳（メタデータ） (2020-09-24T08:27:40Z)
• Anatomical Data Augmentation via Fluid-based Image Registration [23.280420626023755]
  医用画像解析のための流体画像強調法を提案する。 既存の手法とは対照的に,我々のフレームワークは測地線部分空間を介して有意義な画像を生成する。
  論文  参考訳（メタデータ） (2020-07-05T21:06:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。